DGoT：面向科学摘要生成的动态思维图
计算与语言
2024-03-27 v1
摘要
基于领域数据集训练语言模型的方法在科学论文摘要生成任务中取得了显著成就。然而，此类模型面临泛化问题和昂贵的训练成本。使用大语言模型 (LLM) 来解决论文摘要生成任务节省了模型训练成本。但由于 LLM 的幻觉问题，通常需要通过思维图 (GoT) 等多轮查询提示方法来提高结果的可靠性，这也带来了额外的推理成本。在本文中，我们提出了动态思维图 (DGoT)。它不仅继承了现有 GoT 提示方法的优点，还能根据数据特征动态调整图结构，同时降低模型推理成本。实验结果表明，我们的方法在摘要生成任务中的成本效益仅为其他多轮查询提示方法的 43.7% 至 56.4%。我们的代码可在 https://github.com/JayceNing/DGoT 获取。
引用
@article{arxiv.2403.17491,
title = {DGoT: Dynamic Graph of Thoughts for Scientific Abstract Generation},
author = {Xinyu Ning and Yutong Zhao and Yitong Liu and Hongwen Yang},
journal= {arXiv preprint arXiv:2403.17491},
year = {2024}
}
备注
Accepted by LREC-COLING 2024